Altoparlante
|
Trascrizione
|
| Brad Foulkes |
Grazie per aver partecipato al mio discorso su Ma cosa faccio adesso? Utilizzo di un modello di affidabilità per effettuare previsioni di eventi in JMP. |
| |
Molto spesso mi viene chiesto...mi viene chiesto una volta costruito un modello di affidabilità, cosa ne faccio effettivamente? E spesso le persone dimenticano che è possibile utilizzare un modello di affidabilità per fare previsioni su quando si verificheranno effettivamente gli eventi. |
| |
E non solo il primo evento, magari il secondo, terzo o quarto evento che quel prodotto potrebbe vedere nel tempo. |
| |
Quindi un po' di me. Il mio nome è Brad Foulkes. Sono il direttore tecnico di Optimal Analytics, dove collaboriamo con le aziende per cercare di aiutarle a comprendere i propri dati, identificare gli ostacoli e farle agire in modo più efficiente. |
| |
Prima di ricoprire questo ruolo, ho lavorato nell'ingegneria dell'affidabilità per circa nove anni, lavorando su come comprendere l'affidabilità delle parti e capire quando le parti si romperanno effettivamente nel tempo. |
| |
Utilizzo JMP da circa otto anni, penso intorno a JMP 10. Non ne sono sicuro, è stato un po' di tempo fa, quindi non ricordo quale versione usavamo... ero io allora. |
| |
Nei miei strumenti JMP preferiti, mi piace utilizzare molto la distribuzione della vita perché è lì che si trova la modellazione dell'affidabilità. Modello adatto, lo uso molto frequentemente e JSL. |
| |
Lo scripting può aprire tutta una serie di nuovi strumenti e nuovi giocattoli con cui giocare. Allora perché voglio presentarlo oggi? |
| |
Perché, nella maggior parte dei casi, questa domanda emerge alla fine... alla fine della costruzione di un modello e fino a quel momento non ci si era pensato davvero. |
| |
Potresti finire un modello e avere un sacco di probabilità e poi non sapere davvero cosa fare dopo. Quindi ecco un'opzione che puoi fare mentre hai costruito il tuo modello e puoi continuare. |
| |
Quindi quello di cui parliamo oggi riguardo alla previsione degli eventi, quando costruisci il tuo modello, sei abituato a vedere spesso questo tipo di trama qui. Avrai i tuoi tempi individuali, |
| |
e forse questi sono cicli di vita dell'hardware o del prodotto. Diciamo che è un frullatore, sai, o qualsiasi tipo di elettrodomestico da cucina o piccolo elettrodomestico che forse non dura |
| |
un periodo di tempo terribilmente lungo. Quindi alcuni di questi falliranno molto presto; alcuni falliranno molto tardi. |
| |
Ma alla fine della giornata, ti ritroverai con una probabilità di fallimento, quando queste cose accadranno... accadranno. Quindi qui potresti venire qui e dire, okay, beh, circa il 90% dei fallimenti si verificherà entro quattro anni. |
| |
Beh, è fantastico. Questo ti aiuta a comprendere un primo fallimento e magari a mettere sul campo la probabilità che alcune parti si guastino, ma per una persona che deve effettivamente acquistare queste cose o usarle, questo non le aiuta molto. |
| |
Per un cliente che li utilizza effettivamente, non gli importa, sai, quanto durerà. Potrebbero non voler sapere quanti ne dovrò acquistare in un periodo di tempo, |
| |
forse in un ciclo di vita complessivo. Vogliono solo guardare a 10 anni, quanti di questi devo comprare in 10 anni affinché sopravviva. |
| |
Ed è qui che entra in gioco la previsione degli eventi. E ciò che è realmente la previsione degli eventi, è prendere la tua distribuzione e in un certo senso capovolgerla, in modo da avere ancora la tua, sai, la tua distribuzione del tempo. |
| |
Qual è il tempo per gli eventi che hai qui e quindi la probabilità di un evento. E così adesso |
| |
puoi vedere la frequenza con cui si verificano alcuni di questi eventi. Quindi forse il primo evento avviene qui intorno agli otto anni e mezzo, il secondo evento avviene alle nove e mezzo, |
| |
il terzo evento...ma questo è tutto un cliente. E quindi questo è tutto un cliente, un caso d'uso, e quindi, per loro, sai, il loro frattempo verso il fallimento |
| |
guarda tutte queste parti qui, guarda tutti questi intervalli e queste sostituzioni. Quindi questo qui, |
| |
sono più di 20 anni che un cliente lo guarda effettivamente. Potrebbero...quindi vorranno sapere...ho bisogno di sopravvivere a quei 20 anni, avrò bisogno di almeno tre parti. |
| |
Pertanto, utilizzando parte di questa selezione e simulazione casuale, puoi comprendere la frequenza con cui queste parti devono essere sostituite e la frequenza con cui un cliente potrebbe aver bisogno di acquistare il tuo prodotto. |
| |
Allora, come è pratico? Va bene, quindi si tratta davvero di sostituzioni. |
| |
Ed essendo le sostituzioni, con quale frequenza inserisci una parte nuova, o una parte buona come nuova, lì dentro? COSÌ |
| |
un sistema riparabile e un sistema non riparabile. E un sistema riparabile è quello in cui puoi ottenere le cose fino al |
| |
al punto che può funzionare di nuovo e forse non è come nuovo. Quindi diciamo che hai un buco nella gomma. Tappi la perdita e vai avanti. |
| |
Questo è riparato. Ma cosa succederebbe se potessi riparare il pneumatico al punto che fosse come nuovo e non si rompesse mai più? |
| |
Ora con il pneumatico, forse non è poi così pratico, ma con altre cose, potresti sostituire una parte, o forse devi tagliare una parte di una parte e sostituire solo quella o quella parte che si è guastata. |
| |
Riportare un componente come nuovo può rendere il sistema non riparabile. Quindi, anche se hai eseguito una riparazione, per renderlo come nuovo, |
| |
cambia un po' le cose. Questo è un grosso avvertimento, sai. Bisogna tenere molte considerazioni su cosa significhi "buono come nuovo", ma molto spesso, penso che parte... o le persone abbiano a che fare con parti che |
| |
hanno riparato e riparano come nuovo e pensano, beh, questo è un sistema riparabile, ma per il mondo dell'affidabilità non lo è. Va bene, quindi me ne vado da quella soapbox per un po'. |
| |
Torniamo alle sostituzioni. Quando guardiamo a una specie di sistema singolo, |
| |
potresti guardare qualcosa qui e dire, okay, sai, |
| |
per un unico sistema, |
| |
con quale frequenza le parti si guastano? Quindi, se consideriamo un solo cliente, con quale frequenza lo acquistano? E così la prima parte è durata quattro anni qui. |
| |
Poi hanno dovuto comprarne un secondo. Quello è durato solo 1,3 anni, poi hanno dovuto comprarne un terzo, e questo ha avuto un successo strepitoso ed è durato otto anni. |
| |
Quindi, alla fine, hanno dovuto acquistare tre parti in 12 anni, ma c'è un'ampia variazione. Quindi lo vedi con tutti i tipi di prodotti, con alcuni telefoni cellulari, con |
| |
altri prodotti per la casa. Alcune cose falliranno presto; alcune cose falliranno tardi. |
| |
Potresti semplicemente parlare con i tuoi amici e dire, ehi, ho... ho questo orribile cellulare. Non posso credere che sia fallito così presto. E ti parleranno dello stesso cellulare che hanno da 10 anni. Concesso probabilmente non 10 anni ma |
| |
potrebbe volerci un po'. Quindi, alla fine, per questo sistema, per questo cliente, hanno dovuto sostituire una parte tre volte. |
| |
Ora, se osserviamo più sistemi, possiamo farci un'idea della frequenza con cui si verificano queste cose nel tempo. COSÌ |
| |
un cliente potrebbe avere il primo sistema, poi il secondo cliente, forse hanno avuto cinque o sei sostituzioni oltre a quello... più o meno nello stesso periodo di tempo. |
| |
Quindi, se dovessimo guardare al primo sistema, potremmo dire, okay, non ci aspetteremmo alcun fallimento almeno fino al quarto anno qui. |
| |
Ma se guardiamo al secondo sistema, abbiamo avuto un fallimento nel primo anno. Quindi, se stiamo cercando di calcolare la media dei guasti o il numero medio di eventi che potremmo aspettarci nel primo o nel secondo anno, |
| |
quel primo sistema non ci dice molto. Quindi è qui che, se non hai i dati e... ma hai la distribuzione nel tuo modello dove beta ed eta per il tuo Weibull o qualcosa del genere, |
| |
puoi utilizzare la simulazione per provare a delineare la frequenza con cui alcuni clienti si aspettano eventi nell'anno 1, 2, 3 e andare molto oltre i dati effettivamente disponibili. |
| |
In questo modo, osservando quei sistemi multipli e osservando quella simulazione, puoi in un certo senso capire e iniziare a vedere una tendenza di quanto frequentemente |
| |
queste parti verranno sostituite anno dopo anno. Quindi, anche se questi dati qui potrebbero essere stati ricavati solo da eventi durati sette anni, |
| |
per l'orario di calendario o per l'orario del cliente, ci sarà una sorta di picco e poi si livellerà fino a raggiungere una sorta di livello piatto di sostituzioni. Ora |
| |
con una simulazione, vedrai dei rimbalzi, ed è quello che vedi qui. Se avessimo una soluzione in forma chiusa, avremmo una bella linea retta, ma |
| |
con la simulazione, otteniamo qualche variazione. Questo è quello che vedi qui. Quindi puoi tracciare una specie di linea e vedere che sai, in media, |
| |
una persona potrebbe aspettarsi di sostituirne, sai, un terzo all'anno. Quindi dopo tre anni, potresti aspettarti di avere un sostituto, una volta che sarà in funzione. Quindi alcuni all'inizio e poi in un certo senso si livellano. |
| |
Quindi diamo un'occhiata a un esempio di cosa intendo con questo. |
| |
Abbiamo una tabella qui di dati e qui ho un modello. E quindi questo modello è solo un Weibull casuale. Quindi, se non hai familiarità con le diverse funzioni che puoi utilizzare in JMP, |
| |
puoi usare un Weibull casuale, un quantile di Weibull, la distribuzione di Weibull, la densità di Weibull. E queste sono tutte funzioni che puoi applicare a diverse distribuzioni. |
| |
In questo caso, stiamo scegliendo un insieme casuale di punti da una particolare distribuzione. La mia distribuzione ha una beta di 1.2 e un'eta di 3. |
| |
Quindi, scegliendo questi eventi casuali... casuali qui, |
| |
questi sono tutti eventi individuali e questo è ciò che finirebbe per entrare nel tuo modello. Cosa accadrebbe se costruissi un modello sui guasti delle parti? Queste sono le date che di solito finiscono lì. Ciò che si perde, però, è il modo in cui ciò influisce effettivamente sul cliente. Quindi nel tempo |
| |
il cliente magari vuole sapere quanti di questi potrei sostituire tra 20, 30, 40 anni. |
| |
Ed è qui che devi guardare i tempi totali degli eventi di sistema. E questa è solo la somma cumulativa dei singoli tempi, quindi 8,3 è il primo, 1,2 è il secondo e così via. |
| |
E quindi, quando passiamo al secondo sistema, abbiamo 1.8, 3.9, 5.9, quindi è solo un conteggio cumulativo dei singoli tempi. |
| |
La cosa da tenere a mente qui è che quando cerchi di calcolare una media di tutto questo, |
| |
guarderesti il numero del sistema, ma poi l'anno in cui ciò si è effettivamente verificato, quindi nel secondo anno di attività si sono verificati 1,8 anni. |
| |
E questa è una distinzione importante da tenere... da tenere a mente qui, perché vuoi assicurarti di identificare i fallimenti nell'anno appropriato. |
| |
Quindi il tuo 0,6, mentre... se quello fosse il primo, sarebbe nell'anno uno, in realtà sta solo incrementando l'anno... l'ora del sistema... gli anni del sistema di uno qui. |
| |
Quindi, visto questo potresti pensare, okay, bene, ora che abbiamo tutto questo possiamo contare il numero di eventi e guardare questo sistema, l'anno ed eseguire una piccola analisi. Quindi JMP ha effettivamente uno strumento utile che farà tutto questo per te. |
| |
COSÌ |
| |
in JMP c'è uno strumento chiamato simulazione dei sistemi riparabili. |
| |
E questo strumento, |
| |
Lo so... credo che sia apparso come JMP 13, forse JMP 14. È in circolazione da alcuni anni. |
| |
Non so se riceverà tutta la pubblicità che dovrebbe, perché è uno strumento incredibilmente potente che penso che molte persone non apprezzino qui. |
| |
Quindi, quello che è, è che stai guardando un sistema qui. E quindi forse, o proprio adesso, ho due parti qui, ma forse il mio sistema in realtà lo è |
| |
sette o otto parti, oppure è un intero cambio, o una pompa, o qualcosa del genere. E hai tutte queste parti che lavorano insieme, e se qualcuna di esse fallisce, |
| |
sai, l'intero sistema fallisce, e quindi vuoi capire qual è l'evento, quali sono gli orari dell'evento lì. Quindi in ognuno di questi, spiegheresti qual è il tuo Weibulll o qual è il tuo modello, e qui ho una beta 1.2 e un alfa di 15. |
| |
È un'unità di tempo di anni, posso certamente scegliere distribuzioni diverse se... se voglio. |
| |
E poi posso dire cosa succede se si verifica un evento. Quindi, se un blocco... quindi qui ho un errore di blocco, cosa succede se si verifica effettivamente un errore? |
| |
E il risultato è la sostituzione con una nuova, quindi voglio solo sostituire la parte. Ora ci sono molte opzioni diverse qui, forse potrei fare una riparazione minima, ma invece ho detto, voglio sostituirlo con una parte nuova di zecca, quindi sarà un modello come nuovo... come nuovo. |
| |
E poi puoi includere una quantità di tempi di inattività. Quindi quanto tempo ci vorrà per ripararlo? Qual era il tempo medio per la riparazione? Può essere un valore costante |
| |
oppure può essere... puoi dirlo immediatamente, non preoccuparti nemmeno del tempo necessario oppure puoi fornirgli un elenco da cui scegliere. Puoi dargli un paio di distribuzioni anche qui. |
| |
Quindi così con questi strumenti... e ora ho creato un sistema molto semplice qui. Ho una parte con la mia distribuzione conosciuta oppure ho due parti con distribuzioni conosciute. |
| |
Quando uno di questi fallisce, ho un tempo di sostituzione, quindi il secondo ha l'opzione di scelta. |
| |
E puoi vedere, lo metti qui. Ora le scelte devono essere nella stessa unità di tempo della simulazione. |
| |
Quindi ho scelto gli anni come mia simulazione. Sono anni, quindi il tempo per prepararsi a qualcosa potrebbe essere solo un'ora, due ore, forse un giorno. Quando lo metti in termini di anni, però, i numeri diventano davvero piccoli, quindi è quello che vedi qui. |
| |
Non entrerò in tutte le opzioni qui. Come puoi vedere, ci sono molte altre cose che puoi fare con uno standby, un K su N, molte di queste servono per analisi più complesse. |
| |
Va bene, quindi eseguo la mia analisi e la eseguirò per 20 anni, che è elencato qui, con il numero di simulazioni pari a 100. Spesso ne vorrai di più, ma a scopo dimostrativo lo imposteremo su 100 e avremo un seed di 1234. |
| |
Allora, qui ottengo questo bell'output, e l'output iniziale si chiama sempre numero, il che è molto utile. |
| |
Ma potresti guardare questo e andare bene, bene, cosa faccio con tutta questa roba? E puoi venire qui e lanciare questa analisi e |
| |
forse vuoi vedere il tempo di inattività totale per componente. Quindi questo dice, sai, come... o qual è la distribuzione dei tempi di inattività che un componente potrebbe vedere? |
| |
Ma in realtà non risponde mai alla domanda: dopo 20 anni, quante volte dovrò sostituire questa parte? |
| |
Quindi ho scritto una sceneggiatura e quindi quando... quando scaricherai questo diario, avrà tutti questi script che sono lì dentro. |
| |
L'ho impostato come pulsante, ma lo script vero e proprio è qui sotto per tuo riferimento, se desideri usarlo. |
| |
Quindi farò semplicemente clic sul pulsante e accadranno un sacco di cose. Quindi ora sono entrato e ho calcolato la frequenza con cui mi aspetto che questi eventi si verifichino, anno dopo anno. Quindi, dal punto di vista del sistema, |
| |
Ho suddiviso in sottoinsiemi gli eventi di errore e impostato il valore dell'anno. Quindi potresti ricordare che il valore dell'anno viene arrotondato per eccesso, quindi 3,8 anni è 4. |
| |
Ora questo guarda l'ora del calendario, questo guarda l'ora del sistema che potremmo utilizzare. Non considera il tempo individuale, quindi il tempo tra ciascuno di questi, sai, dalla riga uno alla riga due è di 1,8 anni circa. |
| |
Ma poiché stiamo guardando il sistema, in realtà contiamo 5,69. |
| |
Ora voglio trasformarlo... voglio trasformare tutti questi valori in qualcosa di utile. |
| |
La cosa importante da ricordare, tuttavia, è che è necessario... quando si cerca un numero medio di eventi ogni anno, è necessario considerare gli anni in cui non si sono verificati eventi. Quindi in questa prima simulazione, il primo evento si verifica nel quarto anno, |
| |
ma ho bisogno di zeri per uno, due e tre, ed è ciò che fa il mio script. La mia sceneggiatura va in set a |
| |
modello di ciò che voglio guardare. Quindi voglio guardare la prima parte, voglio guardare il valore dell'anno e l'ID della simulazione, e poi vedere quando si sono effettivamente verificati gli eventi. Quindi qui potete vedere la prima parte dell'evento che si verifica nell'anno dieci. |
| |
E quindi quando questo viene aggiunto qui, è ciò che viene aggiornato nell'analisi. Se scorro fino alla seconda parte... |
| |
quando scorri verso il basso fino alla seconda parte della simulazione uno, |
| |
lì...non ci sono eventi. |
| |
Il primo evento per la simulazione non sarà finché... |
| |
fino al quarto anno. Quindi se scorro fino al quarto anno |
| |
per la seconda parte, mostrerà che ho un evento nella simulazione uno, va bene. Quindi si tratta semplicemente di allineare questi eventi per ogni possibile combinazione di anni in cui ciò potrebbe verificarsi. |
| |
Bene, avendo quel livello di informazioni, ora che le ho in tutte... tutte le simulazioni, hai visto che avevo 4.000 record, ora che sono proprio tutte le possibili permutazioni di anno, simulazione e parte. |
| |
Ma in realtà voglio ridurne la media. Quindi riduco la media e voglio esaminare il numero di simulazioni, ovvero il numero di righe, il valore dell'anno e quindi la parte. Arrivo a 40 righe, molto più gestibili e molto più facili da capire. |
| |
Quello che vedete qui per la seconda parte è che abbiamo quel piccolo picco all'inizio, e poi in un certo senso si stabilizza. E |
| |
rimbalza perché è la simulazione e abbiamo eseguito solo 100 eventi, ma... o 100 simulazioni, ma abbiamo una sorta di stato stabile di sostituzioni che potremmo vedere. |
| |
Se dovessimo provare a guardare questo da una prospettiva cumulativa, però, questo è ciò che può dire a un cliente quanti potrebbe aspettarsi di sostituirne in 10 anni. Quindi, per la seconda parte, |
| |
diciamo che il cliente vuole sapere quando dovrò sostituire, sai, il primo? Qual è il primo? Il primissimo |
| |
accadrà tra il quarto e il quinto anno, ovvero subito dopo il quarto anno. E poi il secondo accade proprio... o intorno al settimo anno. |
| |
Il terzo avviene intorno al decimo anno. Quindi puoi vedere, c'è questa specie di salita in cui non ci sono molti guasti in anticipo, ma poi c'è questo stato stazionario e ogni tre anni circa finisci per dover sostituire le parti. |
| |
Questo può essere molto utile per il cliente, per la pianificazione della tua attività o anche per gli sforzi della catena di fornitura, se volessi provare a fare qualcosa di simile lì. |
| |
Quindi utilizzare questa previsione degli eventi dalla simulazione dei sistemi riparabili è un modo pratico e rapido per dare quell'idea o dare quella comprensione di quante parti, non solo della probabilità di guasto e quando ciò potrebbe verificarsi. COSÌ |
| |
una cosa... un'altra cosa di cui voglio parlare oggi è un modo per rendere un po' più semplice la simulazione dei sistemi riparabili. |
| |
E quindi potrebbe essere scoraggiante. È un nuovo strumento, potresti non sapere tutto ciò con cui lavori, ma |
| |
se... se inizi con il modello, inizia con la tabella, costruire la simulazione dei tuoi sistemi riparabili può essere molto più semplice. |
| |
Quindi alla fine, per costruire il tuo modello, hai bisogno di circa 13 dati. La maggior parte di ciò avviene in background a cui non penseresti nemmeno, ma se li disponi in una tabella e in un modello |
| |
con queste varie rubriche qui... E io dico 13, in realtà te ne servono meno. Ho apportato alcune modifiche qui per gestire alcune piccole cose che potresti fare qui. |
| |
Ma in realtà hai la tua distribuzione, il tuo tipo di modello, i tuoi parametri, quale unità di tempo. Queste sono tutte cose che sono predefinite in JMP che puoi modificare o |
| |
queste sono le cose che vorresti aggiungere. Quindi ognuno di questi ha un, sai, se il blocco fallisce, cosa lo sostituirai con uno nuovo? E questi puoi regolarli, puoi collegare questi nomi di eventi e questi processi in modo diverso. |
| |
Nel mio mondo, molte volte vedremo un cambiamento di comportamento. E forse vogliamo capire che nei primi anni questo è il tasso di sostituzione, e poi nei secondi anni ecco il tasso di sostituzione. |
| |
Oppure potresti avere modalità di fallimento concorrenti di cui vuoi trarre vantaggio. Quindi quello che vi mostrerò qui può gestire molte di queste cose. |
| |
Mi scusi, questo non è affatto perfetto. Questo |
| |
dovrebbe sicuramente essere adattato al tuo... al tuo caso d'uso, ma, alla fine, iniziare con un modello è un modo incredibile per accelerare il tuo sviluppo e |
| |
per consentirti di apportare modifiche... apportare piccole modifiche al volo. Quindi, se ho questo, ho un piccolo script carino qui, dove, se clicco sullo script, produce per me la simulazione dei miei sistemi riparabili. |
| |
E se guardo qui, ho la mia prima... la mia prima parte con una beta 1,86 o 826, un alfa di 153. |
| |
E in realtà si tratta semplicemente di prendere questo tavolo e trasformarlo nella simulazione di sistemi riparabili. Tu puoi fare |
| |
qualcosa di ancora più complesso. Quindi lasciami chiuderlo. |
| |
E quindi qui ho 14 parti. Potrei cambiare una qualsiasi di queste distribuzioni se voglio, |
| |
ma ho altri tipi di eventi a cui voglio guardare qui. Voglio dividere la mia distribuzione dove |
| |
cambia o cambia forma dopo un certo numero di tempo. Forse sto cercando di modellare l'introduzione di un prodotto, sai, un aggiornamento del prodotto che sta attraversando tutta la flotta. O forse ho qui una modalità di fallimento competitivo e voglio tenerne conto. |
| |
Quindi, se lo farò, sai... usare questo modello nello script mi permetterà di gestire tutto questo in modo molto semplice. Ora hai visto quanto è stato veloce. Cos'è, un secondo o giù di lì |
| |
generare questo modello? Ora, se voglio crearne un altro, forse, forse voglio che questo sia un |
| |
registro normale. |
| |
Posso farlo proprio qui, e poi |
| |
vieni alla mia sceneggiatura |
| |
E |
| |
ed eseguilo di nuovo. E prendo un altro modello dove (vediamo, cos'era? Parte quinta.) |
| |
la quinta parte ora è un registro normale. È davvero facile provare diverse iterazioni, provare diversi modelli e generarne uno nuovo ogni volta, |
| |
etichettando il diagramma come la tua tabella qui. Quindi è un modo pratico per eseguire un'analisi e comprendere le previsioni degli eventi utilizzando questo modello, utilizzando lo script incorporato qui per eseguire l'analisi e comprendere le previsioni degli eventi nel tempo. |
